跳转至

MyoVision: A Mobile Research Tool and NEATBoost-Attention Ensemble Framework for Real Time Chicken Breast Myopathy Detection

会议: CVPR 2026
arXiv: 2604.13456
代码: 无
领域: 计算机视觉应用
关键词: neuroevolution, ensemble learning, mobile imaging, food quality inspection, transillumination

一句话总结

提出 MyoVision 智能手机透射成像框架和 NEATBoost-Attention 神经进化优化集成模型，用于低成本实时鸡胸肉肌病（木质胸、意面肉）三分类检测。

研究背景与动机

木质胸 (WB) 和意面肉 (SM) 是严重影响家禽肉质的结构性肌病，当前检测依赖主观手工评估或昂贵的实验室级成像系统。这些缺陷主要表现为内部结构异常而非表面可见特征，给自动化检测带来挑战。现有自动化方法依赖高光谱成像、近红外光谱等专业硬件，成本高且部署受限。研究动机是用消费级智能手机实现非破坏性、低成本的多类肌病分类。

方法详解

整体框架

三阶段流水线：(1) 智能手机透射成像采集 14-bit RAW 图像；(2) 提取 16 维结构纹理描述符（梯度统计、频域纹理响应、密实组织特征）；(3) NEATBoost-Attention 集成模型分类。

关键设计

  1. 智能手机透射成像: 利用宽带白光穿透鸡胸肉的 2D 空间积分衰减模式，编码组织密度、纤维化硬化和肌肉结构中液体重分布的聚合变化。14-bit RAW 捕获保留最大动态范围。

  2. NEAT 神经进化优化: 使用 NEAT 算法同时进化网络拓扑和权重，自动发现 LightGBM 的 10 个超参数和 AttentionMLP 的 6 个超参数，消除手动调参。每个基因组编码小型神经网络生成候选超参数配置。

  3. 加权概率融合集成: LightGBM 处理特征交互和非线性决策边界，AttentionMLP 通过特征注意力重加权输入描述符。使用 Nelder-Mead 单纯形法优化集成权重，加权概率融合产生最终预测。

损失函数 / 训练策略

适应度评估使用分层交叉验证的加权 F1 分数。训练数据使用 SMOTE 进行类别平衡。进化通过变异、交叉和物种形成操作进行。

实验关键数据

主实验

方法 测试准确率 F1 分数
传统 ML 基线 较低 较低
深度学习基线 较低 较低
NEATBoost-Attention 82.4% 0.83
高光谱成像系统 ~同等 ~同等

在 336 个鸡胸肉样本上达到 82.4% 测试准确率（F1=0.83），匹配成本高出数个数量级的高光谱系统。

关键发现

  • NEAT 进化的超参数配置优于网格搜索和随机搜索
  • 特征注意力机制有效识别了最具判别力的纹理描述符
  • 透射成像能捕获表面成像无法获取的内部结构信息

亮点与洞察

  • 用消费级设备实现与专业实验室设备可比的检测性能，极具实用价值
  • NEAT 自动架构搜索避免了小数据集上的手动调参困境
  • 多模态研究平台设计（RAW + LiDAR + SAM + ChatGPT）前瞻性强

局限与展望

  • 336 个样本数据集偏小，泛化能力需更多数据验证
  • 82.4% 准确率在工业部署中可能仍不够
  • 透射成像受环境光影响需要标准化采集条件

相关工作与启发

  • NEAT 在食品质量评估领域的首次探索，开辟了新方向
  • 透射成像原理可推广到其他农产品内部缺陷检测
  • 小样本表格数据上的神经进化优化思路值得借鉴

评分

5/10 — 有趣的跨领域应用，但数据规模有限，核心方法创新性一般。

相关论文